人工免疫理論目前被廣泛應(yīng)用于入侵檢測(cè)系統(tǒng),以解決無(wú)法識(shí)別的未知異常問(wèn)題,應(yīng)用最多的是否定選擇算法。傳統(tǒng)的實(shí)值否定選擇算法通過(guò)隨機(jī)方式生成候選檢測(cè)器,隨著自體集數(shù)量的增多,成熟檢測(cè)器生成的時(shí)間復(fù)雜度呈指數(shù)級(jí)增長(zhǎng),導(dǎo)致訓(xùn)練階段耗費(fèi)時(shí)間長(zhǎng)。為解決檢測(cè)器生成過(guò)程中時(shí)間消耗過(guò)長(zhǎng)問(wèn)題,文章提出基于鄰域搜索的實(shí)值否定選擇算法(Real-Valued Negative Selection Algorithm Based on Neighborhood Searching,NS-RNSA),通過(guò)鄰域搜索算法找到落在候選檢測(cè)器鄰域的自體樣本點(diǎn),利用這些樣本點(diǎn)構(gòu)建新的自體集合,以提高成熟檢測(cè)器生成效率。文章以NS-RNSA算法為核心構(gòu)建異常檢測(cè)模型NSRNSAADM,在此模型基礎(chǔ)上進(jìn)行實(shí)驗(yàn),驗(yàn)證基于鄰域搜索的否定選擇算法的性能。實(shí)驗(yàn)表明,文章提出的方法在保證檢測(cè)率、誤報(bào)率的基礎(chǔ)上,能夠降低自體耐受過(guò)程所需時(shí)間。

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

圖1 二維空間尋找鄰近點(diǎn)

證明：本文以二維空間為例，如圖1所示。候選檢測(cè)器的坐標(biāo)為(x,y),r、R分別為小圓和大圓的半徑，深色區(qū)域?yàn)镾1，淺色區(qū)域?yàn)镾2，在[x-r,x+r]和[y-r,y+r]區(qū)域（即圖中正方形所在區(qū)域）內(nèi)尋找符合條件的自體點(diǎn)（即圖中正方形所在區(qū)域）。1）若自體點(diǎn)全部落在以r為半徑的白....

圖2 NSRNSAADM模型設(shè)計(jì)

本章提出基于NS-RNSA算法的異常檢測(cè)模型NSRNSAADM，從檢測(cè)器生成時(shí)間方面改進(jìn)模型的整體運(yùn)行效率。模型包括訓(xùn)練階段和檢測(cè)階段。訓(xùn)練階段主要生成能識(shí)別異常樣本的檢測(cè)器集合，檢測(cè)階段利用訓(xùn)練階段生成的檢測(cè)器集合進(jìn)行輸入樣本的正常/異常判斷。模型設(shè)計(jì)如圖2所示。1）訓(xùn)練階段由....

圖3 Cross數(shù)據(jù)集下覆蓋率達(dá)到98%時(shí)的準(zhǔn)確率

模型的訓(xùn)練集為從自體區(qū)域中選取的1000個(gè)點(diǎn)，測(cè)試集數(shù)量為1000。在保持半徑變化范圍為0.01～0.05的前提下，檢驗(yàn)算法的準(zhǔn)確率、誤報(bào)率等是否仍在可接受的范圍內(nèi)。每種情況下實(shí)驗(yàn)均運(yùn)行20次，取平均值，結(jié)果如圖3～圖10所示。圖4Cross數(shù)據(jù)集下覆蓋率達(dá)到98%時(shí)檢測(cè)器生成....

圖4 Cross數(shù)據(jù)集下覆蓋率達(dá)到98%時(shí)檢測(cè)器生成時(shí)間

圖3Cross數(shù)據(jù)集下覆蓋率達(dá)到98%時(shí)的準(zhǔn)確率圖5Cross數(shù)據(jù)集下覆蓋率為98%時(shí)的誤報(bào)率

本文編號(hào)：4042357